2020年最新2020年整理BP神经网络监督控制系统设计
智能控制课设-BP神经网络的简要介绍
智能控制论文BP神经网络的简要介绍学院：电气工程学院专业班级：xxx姓名： xxx 学号：xxxBP神经网络的简要介绍BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP 神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
人工神经网络就是模拟人思维的第二种方式。
这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。
现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。
首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。
在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。
这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID（Proportional-Integral-Derivative）控制器是一种常用的自动控制器，其通过测量系统的输出偏差，根据比例、积分和微分三个因素来控制系统的输出。
然而，传统的PID控制器难以适应复杂、非线性和时变的系统，对于这类系统的控制，神经网络已经被证明是一种有效的方法。
本文将介绍基于BP神经网络的PID控制系统设计。
二、BP神经网络简介BP神经网络（Backpropagation Neural Network）是一种常用的前向反馈型人工神经网络，其通过反向传播算法来训练网络参数，从而实现对输入数据的学习和预测。
BP神经网络拥有多层神经元，每个神经元都与下一层神经元相连，并通过权重和阈值来传递和处理输入信息。
三、PID控制器简介PID控制器由比例（Proportional）、积分（Integral）和微分（Derivative）三个部分组成，其控制输出的公式为：u(t) = Kp * e(t) + Ki * ∑e(t)dt + Kd * de(t)/dt其中，u(t)为控制器的输出，Kp、Ki、Kd为控制器的三个参数，e(t)为系统的输出偏差，∑e(t)dt为偏差的积分项，de(t)/dt为偏差的微分项。
1.数据采集和预处理：首先需要采集系统的输入和输出数据，并对其进行预处理，包括数据归一化和滤波处理等。
2.神经网络设计和训练：根据系统的输入和输出数据，设计BP神经网络的结构，并使用反向传播算法来训练网络参数。
在训练过程中，根据系统的输出偏差来调整比例、积分和微分三个参数。
3.PID控制器实现：根据训练得到的神经网络参数，实现PID控制器的功能。
在每个控制周期内，根据系统的输出偏差来计算PID控制器的输出，将其作为控制信号发送给被控制系统。
4.参数调优和性能评估：根据控制系统的实际情况，对PID控制器的参数进行调优，以提高系统的控制性能。
基于BP神经网络的PID控制器设计
基于BP神经网络的PID控制器设计PID控制器是一种常用的控制器，可以通过根据系统的误差、历史误差和误差的变化率来计算控制信号，从而实现对系统的控制。
传统的PID控制器可以通过调节PID参数来实现对系统动态特性的控制，但是参数调节过程往往需要经验和反复试验，而且很难实现对非线性系统的精确控制。
近年来，基于BP神经网络的PID控制器设计方法得到了广泛的关注。
BP神经网络是一种常用的人工神经网络模型，可以通过训练得到输入与输出之间的映射关系。
在PID控制器设计中，可以将误差、历史误差和误差的变化率作为BP神经网络的输入，将控制信号作为输出，通过训练神经网络来实现对控制信号的合理生成。
1.数据预处理：首先需要采集系统的输入输出数据，包括系统的误差、历史误差和误差的变化率以及相应的控制信号。
对这些数据进行归一化处理，以便神经网络能够更好地学习和训练。
2.网络结构设计：根据系统的特性和要求，设计BP神经网络的输入层、隐藏层和输出层的神经元数量。
通常情况下，隐藏层的神经元数量可以根据经验设置为输入层和输出层神经元数量的平均值。
3.训练网络：采用反向传播算法对神经网络进行训练，以获得输入和输出之间的映射关系。
在训练过程中，需要设置学习率和动量系数，并且根据训练误差的变化情况来确定训练的终止条件。
4.参数调整：将训练得到的神经网络与PID控制器相结合，根据神经网络的输出和系统的误差、历史误差和误差的变化率来计算控制信号，并通过对PID参数的调整来实现对系统的控制。
1.适应能力强：BP神经网络能够通过训练来学习系统的动态特性，从而实现对非线性系统的精确控制。
2.自适应性高：BP神经网络能够根据实时的系统状态来实时调整控制信号，从而实现对系统动态特性的自适应控制。
3.参数调节方便：通过BP神经网络的训练过程，可以直接得到系统的输入和输出之间的映射关系，从而减少了传统PID控制器中参数调节的工作量。
4.系统稳定性好：基于BP神经网络的PID控制器能够根据系统状态及时调整控制信号，从而提高了系统的稳定性和鲁棒性。
基于BP神经网络的PID控制系统设计
基于BP神经网络的PID控制系统设计一、引言PID控制系统是目前工业控制中广泛应用的一种基本控制方法，它通过测量控制系统的偏差来调节系统的输出，以实现对控制对象的稳定控制。
然而，传统的PID控制器需要事先对系统建模，并进行参数调整，工作效果受到控制对象模型的准确性和外部干扰的影响。
而BP神经网络具有非线性映射、自适应性强、鲁棒性好等优点，可以有效地克服传统PID控制器的缺点。
因此，基于BP神经网络的PID控制系统设计成为当前研究的热点之一二、基于BP神经网络的PID控制系统设计理论1.PID控制器设计原理PID控制器是由比例环节（Proportional）、积分环节（Integral）和微分环节（Derivative）组成的控制器，其输出信号可以表示为：u(t) = Kp*e(t) + Ki*∫e(t)dt + Kd*(de(t)/dt)，其中e(t)为控制系统的输入偏差，t为时间，Kp、Ki和Kd分别为比例系数、积分系数和微分系数。
2.BP神经网络理论BP神经网络是一种前馈型神经网络，通过反向传播算法对输入信号进行学习和训练，从而得到最优的网络结构和参数。
BP神经网络由输入层、隐层和输出层组成，其中每个神经元与上、下相邻层之间的神经元互相连接，并具有非线性的激活函数。
3.基于BP神经网络的PID控制系统设计理论基于BP神经网络的PID控制系统设计的核心思想是将BP神经网络作为PID控制器的自适应调节器，根据控制对象的输入信号和输出信号之间的误差进行训练和学习，通过调整BP神经网络的权重和阈值来实现PID 控制器的参数调节，从而提高控制系统的稳定性和鲁棒性。
三、基于BP神经网络的PID控制系统设计步骤1.系统建模首先，需要对待控制对象进行建模，获取其数学模型。
对于一些复杂的非线性系统，可以采用黑箱建模的方法，利用系统的输入和输出数据进行数据拟合，获取系统的数学模型。
2.BP神经网络训练将系统的数学模型作为BP神经网络的训练集，通过反向传播算法对BP神经网络进行训练，得到最优的网络结构和参数。
自适应神经网络控制系统设计与实现
自适应神经网络控制系统设计与实现随着现代科技的发展，各行各业对自适应神经网络的需求也越来越大。
自适应神经网络控制系统可以自主获取环境信息，根据环境变化实现自调节、自学习和自适应，从而提高系统控制的可靠性、稳定性和鲁棒性。
本文将介绍自适应神经网络控制系统设计的理论基础、实现过程和应用实例。
一、理论基础自适应神经网络控制系统由两大核心部分组成：神经网络和控制器。
神经网络可以根据输入输出数据模型自主学习，实现非线性映射函数的建立和自适应控制；控制器则根据实际系统特点进行参数调整和反馈控制，保证系统控制效果。
具体来说，自适应神经网络控制系统包括以下内容：1.神经网络模型：神经网络是自适应神经网络控制系统的核心部分，它可以处理环境输入的信息，实现对输出信号的调节和控制。
神经网络模型可以分为波形神经网络、径向基神经网络、多层感知器神经网络等多种类型，根据实际控制需要选择合适的模型。
2.控制器：控制器是自适应神经网络控制系统的关键组成部分，通过参数调节和反馈控制实现对神经网络的控制。
控制器的选择和设计应该考虑到受控系统的特点以及系统控制的目标要求。
3.训练算法：自适应神经网络控制系统的训练算法包括反向传播算法、共轭梯度算法、遗传算法等。
根据具体控制场景和神经网络模型的选择，可以选择相应的算法进行网络参数的优化和训练。
4.信号采集和处理：自适应神经网络控制系统需要对有效信号进行采集和处理，实现对环境输入信息的获取和分析。
信号处理可以使用滤波、降噪、去趋势等技术进行处理，以提高神经网络模型的可靠性和精度。
二、实现过程自适应神经网络控制系统的实现可以分为几个阶段：1.系统建模：对受控系统进行建模，确定系统的输入输出特性以及控制目标。
2.神经网络模型选择和建立：根据系统特点和控制目标选择合适的神经网络模型，建立网络结构并进行参数调节和训练。
3.控制器设计：根据实际控制需求，确定控制算法和控制器结构，并完成参数的设置和调节。
基于BP神经网络的网络控制系统调度
基于BP神经网络的网络控制系统调度李建;王亚刚;兰水古【期刊名称】《微型机与应用》【年(卷),期】2012(031)009【摘要】为了在复杂的网络环境下能更合理地分配网络资源，提出了利用BP神经网络，通过对网络调度器产生的历史和当前数据进行训练，预测调度器下周期可能产生的数据，进而对下一调度周期的死区大小进行调整。
实验仿真表明，所设计的反馈调度器能进一步改善网络控制系统的性能，进一步提高应对负载变化的能力。
%In order to allocate network resources in complex network environment, through training historical data and current data produced by network dispatcher, BP neural network is used to predict data probably produced by dispatcher during the next period. Therefore, it can resize the deadband of the next dispatching cycle. Simulation results show that the feedback scheduler can further improve the performance of NCS and the ability to cope with fluctuant workload.【总页数】4页(P50-52,55)【作者】李建;王亚刚;兰水古【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP273【相关文献】1.基于双参数模糊推理的网络控制系统调度策略 [J], 张明华;贾诺2.基于CAN总线网络控制系统的混合调度算法研究 [J], 李君;徐凤霞3.基于TrueTime的BP神经网络控制系统的仿真平台构建 [J], 高月芳;叶建锋;张薇4.基于BP神经网络的高速动车组网络控制系统时延研究 [J], 宋程; 王元东; 徐滨全5.基于Truetime的网络控制系统调度算法仿真比较 [J], 李君;徐凤霞;陆仲达因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络在质量控制中的应用
BP神经网络在质量控制中的应用一、 BP神经网络简介（原理及作用）BP神经网络是一种按误差逆传播算法训练得到的多层前馈神经网络。
BP神经网络能学习和存贮大量的输入-输出模式映射关系，但是无必事前揭示此种映射关系的数学方程。
BP神经网络的学习方法是最速下降法，通过反向传播来不断调整神经网络的权值与阈值，使BP神经网络的误差平方和最小。
BP神经网络模型拓扑结构由输入层、隐层与输出层构成。
二、 BP神经网络在自相关过程残差控制图中的应用1、收集生成反应自相关生产过程的平稳时间序列ARMA（p，q）数据；-1.023 -0.6313 0.5455 0.7462 1.5147-2.7828 0.0674 0.4992 2.174 0.4534-1.184 0.7969 0.954 0.9967 0.56761.8591 0.2071 0.1152 0.4578 -0.86640.047 1.2435 -0.6293 -0.1936 1.7261.8451 -0.7149 0.0911 0.0668 0.8882.0713 1.3391 -0.23 -0.1035 -1.12571.8275 1.6394 1.8392 1.6784 -2.71960.9522 1.3825 0.5763 -0.0648 -0.33260.7766 2.1396 -0.3442 0.5814 0.0409-0.3277 1.7005 0.1293 0.4508 0.5211-0.7338 1.4966 2.0064 -2.4923 -0.03360.6997 -0.4563 2.4541 0.6048 0.31911.2991 -0.5683 0.1557 1.1452 0.18382.7908 -1.3132 0.7052 0.2159 0.42160.6586 -1.6347 0.8457 -2.1679 1.36411.3598 -0.23912.8792 -1.2836 1.09142.3656 -0.1989 1.5638 0.2758 -0.04613.3048 -0.1687 3.0367 0.9583 -0.21120.7939 0.828 1.3053 -0.0249 1.68982、用自相关或偏自相函数判断其自相性；自相关函数: C3滞后 ACF T LBQ1 0.402804 4.03 16.722 0.101053 0.88 17.783 0.013824 0.12 17.804 0.103236 0.89 18.935 0.010944 0.09 18.946 -0.085554 -0.73 19.747 -0.119216 -1.01 21.308 -0.077815 -0.66 21.979 0.039590 0.33 22.1410 0.144187 1.21 24.5011 0.266638 2.20 32.6512 0.101412 0.80 33.8413 -0.102219 -0.80 35.0714 -0.114110 -0.89 36.6115 -0.036642 -0.28 36.7716 -0.124414 -0.96 38.6517 -0.236740 -1.81 45.5418 -0.194370 -1.44 50.2419 -0.169470 -1.23 53.8520 -0.181176 -1.30 58.0421 -0.021112 -0.15 58.1022 0.031273 0.22 58.2323 -0.005770 -0.04 58.2324 -0.084652 -0.60 59.1925 -0.050194 -0.35 59.53C3 的自相关自相关函数拖尾偏自相关函数: C3滞后 PACF T1 0.402804 4.032 -0.073050 -0.733 -0.000516 -0.014 0.125802 1.265 -0.095023 -0.956 -0.075121 -0.757 -0.049732 -0.508 -0.025613 -0.269 0.100444 1.0010 0.129852 1.3011 0.212013 2.1212 -0.101057 -1.0113 -0.190027 -1.9014 -0.053501 -0.5415 -0.030070 -0.3016 -0.105012 -1.0517 -0.069409 -0.6918 0.014053 0.1419 -0.126045 -1.2620 -0.185761 -1.8621 0.090942 0.9122 -0.042419 -0.4223 -0.023667 -0.2424 0.012443 0.1225 -0.001695 -0.02C3 的偏自相关偏自相关拖尾3、用神经网络建立过程的时间序列模型并计算出残差序列程序如下：clear all;clc;x=randn(100,1);y=zeros(100,1);a(1)=0.2;a(2)=0.6;b=0.3;y(1)=a(1)+x(1);for n=2:100y(n)=a(1)+a(2)*y(n-1)+x(n)-b*x(n-1);endyfor j=1:100y(j)=(y(j)-min(y))/(max(y)-min(y)); %归一化处理endfor i=1:97P(:,i)=[y(i),y(i+1),y(i+2)]endT=y(4:100)T=T'net=newff([0 1;0 1;0 1],[5,1],{'tansig','logsig'},'traingd'); net.trainParam.epochs=15000;net.trainParam.goal=0.01;net.trainParam.lr=0.1;net=train(net,P,T);figure(1);title('原时间序列“+”与预测时间序列“*”')plot(1:length(T),T,'+-',1:length(t1),t1,'-*')e=T-t1e=e'figure(2);%title('残差时间序列')plot(1:length(T),e,'+-')figure(3);title('残差直方图')histfit(e)0.2366 -0.1103 -0.1347 0.0955 -0.2325-0.2022 0.0982 -0.2208 -0.0528 0.4290.1373 -0.3146 0.0455 0.0304 -0.0720.0421 0.141 -0.1098 -0.033 -0.26720.1186 -0.0118 0.2591 0.3786 -0.528-0.0244 0.0773 -0.1636 -0.1394 -0.3301-0.0334 0.2119 -0.2117 0.1149 -0.2868-0.1985 0.106 0.0163 0.0122 0.1711-0.1802 0.102 0.2793 -0.5816 -0.19590.1525 -0.2415 0.2005 0.3676 0.00480.0551 -0.1765 -0.1366 0.0093 -0.34290.2826 -0.2238 -0.0147 0.0284 0.082-0.1092 -0.1699 -0.0041 -0.499 0.42020.0545 0.091 0.3523 -0.0172 -0.06470.1789 -0.0488 0.038 -0.0458 -0.54320.3439 -0.0845 0.3745 0.1863 -0.3494-0.0301 0.1056 0.1167 -0.0359 0.3699-0.2519 -0.059 0.0907 0.3310.061 -0.0509 0.3782 -0.04710.0566 0.0478 0.1333 0.1134、用minitab软件作残差序列的均值－极差控制图三、BP神经网络在过程运行状态监测中的应用,程序如下：clear all;clc;p=load('p.txt')p=p't=load('t.txt');t=t'net=newff(minmax(p),[13,5],{'tansig','purelin'},'trainlm');net.trainParam.epochs=1500;net.trainParam.goal=0.01;net.trainParam.lr=0.1;net=train(net,p,t);t1=sim(net,p)t1=sim(net,p)IW=net.IW{1,1}LW=net.LW{2,1}b1=net.b{1,1}b2=net.b{2,1}[max_t1,index]=max(abs(t1))a=index[max_t,index]=max(t)b=indexc=a-bIW =0.0640 -0.5101 0.2478 -0.4403 -0.8649 0.18960.0006 -0.1196 0.0979 -0.0657 -0.2098 0.0668-0.0053 0.0410 -0.0702 0.8421 0.3494 -0.09370.0094 -0.1322 -0.5518 0.1521 -0.1917 0.27660.0013 0.0185 -0.2406 -0.7263 -0.0901 0.0174-0.0009 -0.0356 0.8021 0.3594 -0.2108 -0.0675 -0.0024 0.0267 0.1138 -1.5195 0.2918 -0.04690.0044 -0.0443 -0.0628 0.2705 -0.4481 0.0552-0.0037 0.0238 1.1816 0.1243 -1.0187 -0.2500-0.0052 0.0371 0.0803 0.1021 0.3516 -0.0855-0.0055 0.0768 0.0038 -1.2757 0.7139 -0.04330.0068 -0.0272 0.3743 -0.1718 0.3354 -0.35750.0344 -0.2047 -0.0930 0.2048 -0.2176 -0.1199LW =Columns 1 through 90.1376 0.0869 -0.1398 0.4112 -0.2075 0.0110 -0.0962 0.5371 0.0239-0.1376 0.0611 1.3396 -0.5504 0.4445 0.9519 0.4120 0.0603 0.00970.3503 -0.1868 -0.9021 0.1470 0.3105 -1.0563 0.8960 -1.0719 -1.51000.0572 0.1904 -0.3101 -1.2424 0.1771 0.1718 -1.0742 -0.32351.5496-0.1858 -0.5161 -0.0474 -0.1411 -0.3059 0.0009 0.0243 -0.2128 -0.0040Columns 10 through 130.4351 0.2808 -0.3877 0.2027-1.4555 0.0508 0.3579 0.10241.9025 -2.3776 -1.2106 -0.3322-1.4560 1.7723 -0.5082 0.2653-0.0842 -0.0927 -0.3173 0.7161b1 =0.99525.36374.57663.265113.45791.44588.72311.8922-5.27307.5620-8.57463.43124.1175b2 =0.7094-0.0903-0.0619-0.0755-0.5540四、总结。
基于BP神经网络的PID控制系统设计汇总
基于BP神经网络的PID控制系统设计摘要本文主要研究一个基于神经网络的自适应PID控制系统的设计方法，利用BP神经网络对被控对象进行在线辨识和控制。
基于BP神经网络学习算法设计出两个神经网络模型：一个利用神经网络（NNM）对非线性映射的逼近能力，对被控对象进行辨识，另一个构成具有PID结构的控制器（NNC）。
通过神经网络NNM的在线学习和修正，产生对被控对象输出的预测作用，然后由网络NNC实施控制作用，从而实现对辨识对象的PID控制。
在利用神经网络对系统进行辨识时，选用白噪声信号作为系统的输入信号，以提高系统的辨识精度；另外，为了得到神经网络控制器的初始化权值，本文在自整定过程中采用常规PID控制器整定方法之一的稳定边界法。
在设计过程中运用MATLAB语言工具箱进行编程，并通过SIMULINK动态仿真工具对一阶非线性对象进行了仿真。
仿真结果表明了利用神经网络对系统进行辨识的有效性，并用经辨识所得到的输出值取代系统的实际输出值，利用神经网络NNC对系统进行控制，获得了满意的控制效果。
关键词：神经网络，BP学习算法，自适应，参数优化，辨识1 综述PID调节器从问世至今已历经了半个多世纪，在这几十年中，人们为它的发展和推广做出了巨大的努力，使之成为工业过程控制中主要的和可靠的技术工具。
近几十年来，现代控制理论迅速发展，出现了许多先进的控制算法，但到目前为止，即使在微处理技术迅速发展的今天，过程控制中大部分控制规律都未能离开PID，这充分说明PID控制仍具有很强的生命力。
过程工业控制中实际应用最多的仍是常规的PID控制算法，这是因为PID控制具有结构简单、容易实现、控制效果好和鲁棒性强等特点，且PID算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工程师所熟悉。
但在生产现场往往由于参数整定不好而使PID控制器控制效果欠佳，整定的好坏不但会影响到控制质量，而且还会影响到控制器的性能。
PID控制中一个至关重要的问题，就是控制器三参数(比例系数、积分时间、微分时间)的整定。
神经网络控制系统的优化设计
神经网络控制系统的优化设计随着科技的不断进步，人类对复杂系统的控制和优化需求越来越高，而神经网络技术是一个有效的解决方案。
神经网络被广泛应用于电力、石油、航空、军工等领域，其高效、灵活的特性赢得了用户的认可。
但是，神经网络控制系统的优化设计仍然是一个具有挑战性的任务。
本文将探讨神经网络控制系统的优化设计，并介绍几种常见的优化方法。
神经网络控制系统的构成神经网络控制系统由三个部分组成：神经网络模型、控制器和被控对象。
神经网络模型是一个多层前馈神经网络，通常包含输入层、隐含层和输出层。
输入层接受外部信号，隐含层进行信息处理和转换，输出层将处理后的信号传递到控制器。
控制器是神经网络的核心，其作用是根据输入信号调整神经网络参数，以实现对被控对象的控制。
被控对象是待控制的系统，通过传感器将信号传递给神经网络，由神经网络输出的控制信号对其进行调节。
针对神经网络控制系统，优化设计是指对其各个组成部分进行优化，以提高系统的控制性能和稳定性。
优化设计的具体内容包括：（1）神经网络模型优化神经网络模型的优化是实现系统优化设计的第一步，其目标是提高神经网络的泛化能力和预测精度。
优化方法包括神经元数目的确定、激活函数的选择、权值初始化、学习率的调整等。
通过多次试验和反馈，找到最佳的神经网络模型，将大大提高系统的控制能力。
（2）控制器优化控制器是神经网络控制系统的核心部分，其设计的好坏直接影响系统的控制效果。
控制器的优化目标是提高控制精度和响应速度，并保证系统的稳定性。
常见的控制器优化方法有连续控制器和离散控制器，其中离散控制器在实时控制中更具优势，因为它能够快速响应变化，同时消除掉噪声信号带来的干扰。
（3）被控对象优化被控对象的优化是神经网络控制系统中的重要环节。
被控对象通常是复杂的动态系统，其优化目标是提高系统的响应速度和抗干扰能力。
被控对象的优化方法包括系统参数的调整、嵌入式控制系统的设计和应用、信号处理和滤波，通过对被控对象的优化，系统的性能可以得到有效的提升。
基于BP神经网络的PID控制器的设计
基于BP神经网络的PID控制器的设计简介：PID控制器是一种常用的控制方法，可以使控制系统快速、稳定地对目标进行调节。
然而，传统的PID控制器需要依赖经验的设置参数，很难适用于非线性复杂的系统。
为了改善这一问题，本文提出了一种基于BP神经网络的PID控制器的设计方法。
一、神经网络介绍BP神经网络是一种常用的人工神经网络，通过反向传播算法进行学习和适应。
它可以用来建模非线性关系、解决分类和回归问题等。
BP神经网络由输入层、隐藏层和输出层构成，通过调整权重和偏置项，使得网络的输出接近于期望输出。
二、PID控制器的基本原理PID控制器是由比例（P）、积分（I）和微分（D）三个部分组成的，它们分别对应了系统的比例性能、整定性能和微分性能。
PID控制器的输出是由目标值与实际值之间的误差来决定的。
比例作用是根据误差的大小进行调节，积分作用是根据误差的积分值进行调节，微分作用是根据误差的变化率进行调节。
三、BP神经网络的PID控制器设计1.建立神经网络模型：确定输入层节点数、隐藏层节点数和输出层节点数。
2.确定权重和偏置项的初始值：可以使用随机数进行初始化。
3.设置训练样本集：训练样本集包括输入和输出的数据，可以根据实际情况进行设置。
4.确定学习率和训练次数：学习率决定了网络的更新速度，训练次数决定了网络的学习程度。
5.神经网络训练：使用BP算法对神经网络进行训练，通过反向传播算法调整权重和偏置项。
6.测试神经网络性能：使用测试数据对神经网络进行测试，评估其性能是否满足要求。
7.参数调整：根据测试结果对PID控制器的参数进行调整，使得神经网络对系统的控制更加精确。
四、实验结果分析通过对比传统的PID控制器和基于BP神经网络的PID控制器，可以发现基于BP神经网络的PID控制器具有更好的系统控制性能。
因为BP神经网络能够自适应地调整参数，适应非线性复杂系统的控制要求。
总结：基于BP神经网络的PID控制器是一种有效的控制方法，可以提高系统控制的精度和稳定性。
神经网络控制系统设计与优化
神经网络控制系统设计与优化随着科技的不断发展，神经网络控制系统在工业自动化、机器人控制、智能交通等领域得到了广泛应用。
神经网络控制系统以其强大的模式识别能力和自适应学习能力而备受关注。
本文将深入探讨神经网络控制系统的设计与优化。
一、神经网络控制系统的设计1. 系统框架设计：神经网络控制系统的设计首先需要确定系统的框架。
可以采用单层感知器、多层感知器或者径向基函数网络等不同的神经网络结构。
此外，还需确定输入向量和输出向量的维度，选择适当的激活函数。
2. 数据采集与预处理：在神经网络控制系统的设计中，数据的采集和预处理是至关重要的一步。
从实际应用中采集大量的样本数据，并进行数据清洗和标准化处理，以确保神经网络模型能够准确地学习和预测。
3. 网络训练与优化：设计好神经网络结构后，需要进行网络的训练与优化。
常用的训练算法包括反向传播算法、遗传算法和粒子群优化算法等。
通过多次迭代训练，使神经网络模型不断优化，提高其对输入数据的逼近和预测能力。
4. 模型评估与调整：完成网络的训练与优化后，需要对训练好的神经网络模型进行评估与调整。
可以使用交叉验证、误差分析等方法评估模型的性能，并根据评估结果对模型进行调整，以进一步提高其预测准确性和稳定性。
二、神经网络控制系统的优化1. 参数调整与优化：在神经网络控制系统中，参数的选择和调整对系统的性能至关重要。
可以采用网格搜索、贝叶斯优化等方法对网络的超参数进行优化，寻找最佳的参数组合，以达到系统最优性能。
2. 深度神经网络的应用：在一些复杂的控制系统中，传统的浅层神经网络可能无法满足需求。
此时可以考虑使用深度神经网络进行模型的优化。
深度神经网络具有更强大的非线性拟合能力和特征提取能力，能够更好地适应复杂系统的控制需求。
3. 集成学习方法：集成学习方法将多个独立的神经网络模型进行组合，综合利用其优势，提高整体控制系统的性能。
常见的集成学习方法有投票法、堆叠法、Bagging和Boosting等。
BP神经网络
BP神经网络BP神经网络今天来讲BP神经网络，神经网络在机器学习中应用比较广泛，比如函数逼近，模式识别，分类，数据压缩，数据挖掘等领域。
接下来介绍BP神经网络的原理及实现。
Contents1. BP神经网络的认识2. 隐含层的选取3. 正向传递子过程4. 反向传递子过程5. BP神经网络的注意点6. BP神经网络的C 实现1. BP神经网络的认识BP（Back Propagation）神经网络分为两个过程（1）工作信号正向传递子过程（2）误差信号反向传递子过程在BP神经网络中，单个样本有个输入，有个输出，在输入层和输出层之间通常还有若干个隐含层。
实际上，1989年Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，这就是万能逼近定理。
所以一个三层的BP网络就可以完成任意的维到维的映射。
即这三层分别是输入层（I），隐含层（H），输出层（O）。
如下图示2. 隐含层的选取在BP神经网络中，输入层和输出层的节点个数都是确定的，而隐含层节点个数不确定，那么应该设置为多少才合适呢？实际上，隐含层节点个数的多少对神经网络的性能是有影响的，有一个经验公式可以确定隐含层节点数目，如下其中为隐含层节点数目，为输入层节点数目，为输出层节点数目，为之间的调节常数。
3. 正向传递子过程现在设节点和节点之间的权值为，节点的阀值为，每个节点的输出值为，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的。
具体计算方法如下其中为激活函数，一般选取S型函数或者线性函数。
正向传递的过程比较简单，按照上述公式计算即可。
在BP神经网络中，输入层节点没有阀值。
4. 反向传递子过程在BP神经网络中，误差信号反向传递子过程比较复杂，它是基于Widrow-Hoff学习规则的。
假设输出层的所有结果为，误差函数如下而BP神经网络的主要目的是反复修正权值和阀值，使得误差函数值达到最小。
基于BP神经网络PID控制的无刷直流电动机调速系统设计
［ ３ 】罗骞 ， 夏靖 波， 智英 建等 ． 统计 Ｉ Ｐ网络 质量 的模 糊 评 估 方法 ［ Ｊ ］ ． 计算机科学 ，
２ ０ １ ０ ． ３ ７（ ０ ８ ） ： ７ ７ — ７ ９ ．
价值观、审美观 、背景和情感等主观 因素 的影 响较大 ，评分结果较为片面 。实际上 ，无 论采 用何种网络评估方法都必须映射到对应 的主观
利用神经 网络强 大的逼近能力
，
可 以通 过 学 习
＜ ＜上 接 ２ ５页
标 （ Ｋ ＱＩ ），最 后 对 ＫＱ Ｉ 和 ＫＰ Ｉ 的 关 键 指标 进行提炼 ，得到从用户角度反 映网络 整体性能
的 Ｏ０ Ｅ核 心 指 标 ， 建 立 一 个 全 面 的 网 络 综 合
网 络 综 合 评 估 方 法 得 到 的评 分 受 到 测 试 人 员 的
电子技术 ・ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
基于 Ｂ Ｐ神经 网络 Ｐ Ｉ Ｄ控制的无刷直流 电动机调速系统设计
文／ 王 寿 福
上世 纪八 十年 代 以后 ，随着 可控 硅、表
２调速 系统 组成 及原理
本文 主要 通过双 闭环 调速 系统 对所 提方
用户满意度 。
评估体系 。为 了更好 的描述各性 能因素之间的
关 系 ，Ｑｏ Ｅ按 照 一 定 的 加 权 计 算 方 法 得 出 ， 全
［ ４ ］赵 华琼 ，唐 学 文 ．基 于模 糊 层 次 分析 法
的 网络业 务性 能评 估模 型 ［ Ｊ ］ ． 计 算机应
用 ２ ０ １ ３ 、 ３ ３ （ １ １ ） ： ３ ０ ３ ５ — ３ ０ ３ ８ ．
司 网络 部 ， ２ ０ ０ ９ ： １ ２ － １ ５ ．
基于BP算法的神经网络PID控制器设计及仿真
se s s G 5.01101)(−+=()(1)[(1)]()[()2(1)(2)]/p I D Iu k u k K e k K e k K e k e k e k T T =−+−++−−+−神经网络PID 控制器的设计及仿真一、传统PID 控制数字PID 控制算法分位置式和增量式两种，工程上常用的增量式PID 控制算法，其控制算式为：式中，pK 为比例系数，I K =p K /T T为积分系数，/D D K T T =为微分系数，T 为采样周期，IT 为积分时间，DT 为微分时间，()e k 为t kT =时刻的误差。
上述PID 控制算法易于用微机软件实现，PID 控制系统框图如图示。
现有一被控对象为：根据“稳定边界法”即临界比例度法，来整定调节器的参数，带入“稳定边界法整定参数计算表”得到，当采取P 调节时，KP=16，；当采取PI 调节时，KP=14.545，i T =1.7；当采取PID 调节时，KP=18.824，i T =1，d T =0.25。
通过Simulink 进行如下图所示的仿真：仿真结果如下图所示：二、基于BP算法的PID控制基于BP神经网络的PID控制系统结构如下图所示，控制器由两个部分组成：①经典的PID控制器：直接对被控对象进行闭环控制，并且KP,KI,KD三个参数为在线P,I,D整定；②神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。
即使神经网络的输出层神经元的输出状态对应于PID控制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定P,I,D状态对应于某种最优控制规律下的PID控制器参数。
在这里设计的BP网络采用结构简单的三层BP神经网络，其结构如下图所示，有m个输入节点、Q个隐含层节点、3个输出节点。
输入节点对应所选的系统运行状态量，如系统不同时刻的输入量和输出量等，必要时要进行归一化K K K。
第11章 神经网络控制系统设计
y
第11章
神 经网络控制系统设计
设神经元的一组输入用向量表示为 X=(x1，x2，…，xn) 其相应权值为 W=(w1，w2，…，wn) 神经元的阈值为θ，输出为y，则
n
y f ( wi xi )
i 1
其中
1 f (x) 0 x≥ 0 x 0
第11章
神 经网络控制系统设计
第11章
神 经网络控制系统设计
感知器采用有教师的学习算法，即用来学习的样本模 式的类别是已知的，而且各模式类的样本具有充分的代 表性。当依次输入学习样本时，网络以迭代方式根据神 经元的实际输出与期望输出的差别对权值进行修正，最 终得到希望的权值。具体算法如下： 第一步：设置初始权值wji(m)。通常，各权值的初始值 设置为较小的非零随机数。 第二步：输入新的模式。
神 经网络控制系统设计
BP网络的学习，由四个过程组成： BP 网络的学习， 由四个过程 成：输入模式由输入层经隐含层向输出层的 “模式顺传播”过程；网络的希望输出与网络实际输出 之差的误差信号由输出层经隐含层向输入层逐层修正连 接权的“误差逆传播”过程；由“模式顺传播”与“误 差逆传播”的反复交替进行的网络“记忆训练”过程； 网络趋向收敛即网络的全局误差趋向极小值的“学习收 敛”过程。归结起来为，“模式顺传播” →“误差逆传 播”→“记忆训练”→“学习收敛”过程。BP网络的学 习方法也称为广义δ规则。
第11章
神 经网络控制系统设计
3．学习规则 在神经网络中，使用各种学习规则，最有名的是Hebb 规则，研究仍在继续，许多新的想法也在不断尝试。有 些研究者将生物学习的模型作为主要研究方向，有一些 在修改现有的学习规则，使其更接近自然界中的学习规 律。但是在生物系统中，到底学习是如何发生的，目前 知道得还不多，也不容易得到实验的证实。 (1) Hebb规则; (2) Delta规则; (3) 梯度下降规则; (4) Kohonen学习规则; (5) 后传播学习方法;
设计一个BP神经网络监督控制系统
题目：设计一个BP 神经网络监督控制系统，被控对象为：1000G ( s)s387.35s210470 s采样时间 1ms，输入信号为方波信号，幅值 0.5，频率 2hz。
设计一个 BP神经网络用于该控制系统，并采用遗传算法进行 BP 神经网络参数及权值的优化设计，并试进行 matlab 仿真。
1、设计结构方案控制器选取 PD 控制器， k p50,k d0.52、神经网络参数神经网络为2-4-1 结构，权值W1,W2的初始值取1, 1 之间的随机值，取学习参数0.3,0.05 。
(1)前向传播：计算网络输出隐层神经元的输入为所有输入的加权之和，即x j w ij x ii隐层神经元的输出x'j采用S 函数激发x j，得x 'j f ( x j )11e x j输出层神经元的输出为u (k )w jox 'njj控制律为u(k ) u p (k) u n (k)神经网络调整的性能指标为E(k )1(u n (k ) u( k)) 22u p ( k) u (k)近似取n，由此产生的不精确通过权值调节来补偿。
w j (k)w i ( k)(2) 反向传播：采用 学习算法，调整各层间的权值输出层及隐层的连接权值 w j 2 学习算法为wj 0E u p (k ) u nu p (k) x 'jwj 0wj 0隐层及输入层连接权值 w ij 学习算法为w ijE u p ( k)u nw ijw ij式中，u n w j 0 x 'j (1 x 'j ) x iw ijk 1 时刻网络的权值为w j 0 (k 1) w j 0 ( k)w j 0(w j 0 (k) w j 0 (k 1))w ij (k1) w ij (k ) wij(w ij (k ) w ij (k 1))3、离散化对象y(k )den(2) y(k 1) den(3) y(k 2) den(4) y(k 3)num (2)u(k1) num(3)u(k2) num(4) u(k 3)4、Matlab 仿真BP 神经网络监督控制程序见附录程序BP.m，参数M 1 时采用随机权值，仿真结果如下图优化前的BP 神经网络监督系统5、遗传算法进行BP神经网络参数及权值的优化设计遗传算法程序见附录GA1.m，取优化代数G 100，每一步的误差及目标函数由GA2.m 求得。
bP神经网络控制
doublew_hide_input[numHiddenLayer][numInputLayer]; //隐含结点权值
doublew_output_hide[numOutputLayer][numHiddenLayer]; //输出结点权值
}
//输入层与隐层之间的权值
for(i=0;i<numHiddenLayer;i++)
{
for(intj=0;j<numInputLayer;j++)
{
w_hide_input[i][j]=(2.0*(double)rand()/RAND_MAX)-1;
}
}
//输出层与隐层之间的权值
for(i=0;i<numOutputLayer;i++)
Y[i][0]=sin(X[i][0]);
X[iபைடு நூலகம்[0]=preminmax2(0,2*pi,X[i][0]);//输入[0,2π]归一化到[-1,1]
Y[i][0]=preminmax(-1,1,Y[i][0]);//输出[-1,1]归一化到[0,1]
return 0;
}
void initial()
智能控制实验报告
-BP神经网络
一.实验内容
设计BP网络，映射函数为：
1.y=sin(x) x （0，2 ）
2.y=x1^2+x2^2+x1*x2 x1,x2 (0,1)
给出训练后的权值矩阵，并考察训练拟合的效果。
二.实验原理
1.BP网络原理
BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
神经网络控制系统优化设计
神经网络控制系统优化设计随着人工智能技术的不断发展，神经网络控制系统应用越来越广泛。
神经网络控制系统基于人工神经网络，通过学习、训练、调试等过程，能够自动化地控制物理系统、工业过程以及其他复杂系统。
但是，在实际应用中，神经网络控制系统的效率和稳定性常常无法达到预期的水平，需要优化设计。
一、神经网络控制系统的基本原理神经网络控制系统是一种基于人工神经网络的控制系统，其基本原理是通过神经网络学习和训练，建立一种映射关系，将输入信号映射为输出信号。
神经网络控制系统通常包括感知器、反向传播算法和各种优化策略。
感知器是神经网络控制系统的基本单元，其结构类似于神经元。
感知器的输入是一组权值和阈值，输出是一个二元值。
感知器的输出可以看作是一种压缩和细化后的信息，该信息可以用来描述环境的某些性质，如物体的形状、颜色和位置等。
反向传播算法是神经网络学习的基本方法，其主要目标是调整权值和阈值，使神经网络的输出尽可能接近期望输出。
反向传播算法需要不断地对神经网络进行训练和调试，以不断优化神经网络的效率和精度。
二、神经网络控制系统的优化设计神经网络控制系统的优化设计涉及到多个方面，如选择合适的神经网络模型、设计有效的模型训练算法和建立科学合理的优化策略等。
1.选择合适的神经网络模型神经网络控制系统需要选择适合任务的神经网络模型，以达到最好的控制效果。
常用的神经网络模型包括单层感知器、多层感知器、径向基函数网络和深度学习等。
在选择神经网络模型时，需要考虑任务的复杂性、样本数量和计算资源等因素。
2.设计有效的模型训练算法模型训练是神经网络控制系统优化设计的关键环节，有效的模型训练算法可以大大提高神经网络的性能和效率。
常用的模型训练算法包括反向传播算法、Levenberg-Marquardt算法和遗传算法等。
不同的模型训练算法有不同的优劣点，需要根据实际情况选择合适的算法。
3.建立科学合理的优化策略优化策略是神经网络控制系统优化设计的重要组成部分，其作用是优化神经网络的结构和参数，提高神经网络的效率和性能。
基于BP神经网络的PID控制器设计
基于BP神经网络的PID控制器设计1.引言在工业控制系统中，PID（比例、积分、微分）控制器被广泛应用于各种自动控制任务。
然而，传统的PID控制器在处理非线性、时变以及多输入多输出（MIMO）系统时存在一些固有的局限性。
为了克服这些问题，本文提出了基于BP神经网络的PID控制器设计方法。
2.BP神经网络BP神经网络是一种前向反馈的人工神经网络，具有强大的非线性建模能力和自适应性能。
它由输入层、隐藏层和输出层组成，每个神经元与前一层的所有神经元和后一层的所有神经元连接。
BP神经网络通过反向传播算法来训练权重和偏置，实现输入与输出之间的映射关系。
3.PID控制器PID控制器由比例项、积分项和微分项组成，具有良好的稳定性和抗干扰能力。
比例项根据控制误差与参考值的比例进行调整，积分项根据控制误差与时间的积分进行调整，微分项根据控制误差的变化率进行调整。
4.BP神经网络与PID控制器结合将BP神经网络与PID控制器相结合，可以克服传统PID控制器在处理非线性、时变和MIMO系统时的局限性。
具体而言，可以使用BP神经网络来精确建模控制对象的非线性行为，并将其应用于PID控制器中，实现自适应调节。
在实际应用中，可以按照以下步骤进行基于BP神经网络的PID控制器设计：（1）收集系统输入输出数据，并进行预处理，例如归一化处理。
（2）使用BP神经网络对控制对象进行建模。
选择适当的网络结构、激活函数和误差函数，并使用反向传播算法进行网络训练。
（3）设计PID控制器，确定比例项、积分项和微分项的权重。
（4）将BP神经网络的输出作为PID控制器的输入，进行控制操作。
根据控制误差和调节参数，调整PID控制器的输出。
（5）反复迭代并调整BP神经网络和PID控制器的参数，使系统能够快速、准确地响应控制需求。
5.实验验证为了验证基于BP神经网络的PID控制器的有效性，可以选择一个具有非线性、时变特性的控制对象进行实验。
在实验中，可以使用MATLAB或其他神经网络工具箱来实现BP神经网络，并结合传统PID控制器进行控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
班级：控制5班 学号：2111504213 姓名：张睿设计一个神经网络监督控制系统，被控对象为：321000()s 87.35s 10470G s s=++ 采样时间1，输入信号为方波信号，幅值0.5，频率2。
设计一个神经网络监督控制系统，并采用遗传算法进行神经网络参数及权值的优化设计，并进行仿真。
需要说明控制系统结构，遗传算法优化网络的具体步骤，并对仿真结果做出分析。
解决过程及思路如下：1 网络算法以第p 个样本为例，用于训练的网络结构如图1所示。
图1 具有一个隐含层和输出层的神经网络结构网络的学习算法如下： (1)信息的正向传播隐含层神经元的输入为所有输入加权之和，j ij i ix w x =∑隐层神经元的输出'j x 采用S 函数激发j x ，则'1()1j j j x x f x e-==+ '''(1)j j j jx x x x ∂=-∂ 输出层的神经元输出为jk输入层隐含层输出层…j 'jx'k jk j jx w x =∑网络输出与理想输出误差为()k k e k x x =-误差性能指标函数为211()2N p k E e k ==∑上式的N 表示网络输出层的个数。
（2）利用梯度下降法调整各层间权值的反向传播 对从第j 个输入到第k 个输出的权值有：'11()NNp k jk k j k k jkjk E x w e e k x w w ηηη==∂∂∆=-==∂∂∑∑ 其中，η为学习速率，[]0,1η∈。
1时刻网络权值为(1)()jk jk jk w k w k w +=+∆对从第i 个输入到第j 个输出的权值有：1Np kij k k ijijE x w e w w ηη=∂∂∆=-=∂∂∑式中，''''(1)j jk k jk j j i ij j j ijx x x x w x x x w x x w ∂∂∂∂=⋅⋅=⋅⋅-⋅∂∂∂∂ 1时刻网络权值为(1)()ij ij ij w k w k w +=+∆2.网络的监督控制系统结构设计的网络监督控制系统结构如图2所示。
图2 神经网络监督控制在网络结构中，取网络的输入为r （k ），实际输出为y （k ），控制输出为（k ），隐层神经元的输出采用S 函数激发，'1()1j j j x x f x e-==+ 网络的权向量为W1, W2 的网络输出为控制律为u(k)(k)(k)采用梯度下降法调整网络的权值为神经网络权值的调整过程为3.遗传算法对网络权值的优化过程 （1） 取逼近总步骤为100 （2）终止代数：80 （3）样本个数：30 （4）交叉概率：0.70 （5）二进制编码长度：10（6）变异概率：0.001-[1:1]*0.001（7）用于优化的网络结构为：1-4-1 1 1,2,3 ,4 （8）网络权值W1的取值范围为：[-11] （9）网络权值W2的取值范围为：[-0.50.5](10)取网络误差绝对值为参数选择的最小目标函数：∑=jjj x w '2k yn ）（'222)()(jj k j j x k e w x k e w E w ⋅⋅-=∂∂⋅⋅-=∂∂-=∆ηηηij n ij ij w y k e w E w ∂∂⋅⋅-=∂∂-=∆)(ηη))1()(()()1(22222--+∆+=+k w k w w k w k w j j j j j α))1()(()()1(--+∆+=+k w k w w k w k w ij ij ij ij ij α式中，N 为逼近的总步骤，（i ）为第i 步网络逼近误差。
（11）需要优化参数为：],,,,,,,,,,,[p 232221201716151413121110j w w w w w w w w w w w w 4 遗传算法优化网络权值的步骤(1)初始化种群；(2)计算其适应值，保留最优个体，判断是否达到最优解； (3)交叉、变异产生新个体；(4)重新计算种群中每个个体的适应值并保留最优个体；(5)交叉、变异前后的种群放在一起进行二人竞赛选择法，直到填满新的种群；(6)转2)直到找到最优解。
5 仿真结果监督网络遗传算法优化程序包括3部分，即遗传算法优化程序，网络逼近函数程序和网络逼近测试程序。
输入信号为r （t ）=0.5*((2*2**k*)采样时间0.001s ，η=0.30，0.0511. 经遗传算法优化后，对象p 的值为[-0.2160,0.7576,0.5230,0.98630.0714,0.2551,0.69110.3627，0.2146，0.3338 ，-0.0875，-0.0582]仿真结果图：790800810820830840850860870880890TimesB e s t J图3 代价函数J 的优化过程00.10.20.30.40.50.60.70.80.91time(s)r a n d y图4 方波位置跟踪0.10.20.30.40.50.60.70.80.91time(s)y n0.10.20.30.40.50.60.70.80.91time(s)u p0.10.20.30.40.50.60.70.80.91time(s)u 00.10.20.30.40.50.60.70.80.91time(s)e r r o r图5 网络及总控制器输出的比较以及误差曲线结论：采用遗专算法可以实现网络参数初始值的优化，节约计算量。
并由仿真结果可知，其误差大部分趋于0，但局部有三个地区的误差比较大，产生原因可能与遗传算法的运行参数有关。
代码：[]()0.001;0.05;0.30;(1000,[1,87.35,10470]);2d(,'z');[](,'v');1=02=0;1=02=0;1=0;0;[0,0]';[0,0,0,0]';[0,0,0,0]';[0,0,0,0]';25;0.3;w1=[p(1)(2)(3)(4)(5)(6)(7)(8)]; w1_111_21;w2=[p(9)(10)(11)(12)];w2_122_22_1;1:1:1000(k)*;1;1r(k)=0.5*((2*2**k*));2r(k)=0.5*((3*2**k*));y(k)(2)*1(3)*2(2)*1(3)*2;e(k)(k)(k);(k);1:1:4I(j)'*w1();(j)=1/(1((j)));(k)2'*; %(k)*x(1)*x(2);2;1u(k)(k);2u(k)(k)(k);u(k)>=10u(k)=10;u(k)<10u(k)10;400u(k)(k)+5.0;(k)(k)(k);w22_1+(*(k))**(w2_12_2);1:1:4(j)((j))/(1((j)))^2;1=0*w1;1:1:21:1:41()(k)**(j)*w2(j)*x(i); w11_11*(w1_11_2);w1_21_11_11;w2_22_12_12;21;1(k);21;x(1)(k); Px(2)=(e(k)1)/0.05; D1(k);0;1:1:100(i)((i));50*(i);;2、;;;0.001;0.05;0.30;25;0.3;(1000,[1,87.35,10470]);2d(,'z');[](,'v');1;1w1=[p(1)(2)(3)(4)(5)(6)(7)(8)]; w2=[p(9)(10)(11)(12)];2w1(2,4);w2(1,4);w1_111_21;w2_122_22_1;1=02=0;1=02=0;[0,0]';[0,0,0,0]';[0,0,0,0]';[0,0,0,0]';0.001;1:1:1000(k)*;1;1r(k)=0.5*((2*2**k*));2r(k)=0.5*((3*2**k*));y(k)(2)*1(3)*2(2)*1(3)*2;e(k)(k)(k);1:1:4I(j)'*w1();(j)=1/(1((j)));(k)2'*; %(k)*x(1)*x(2);2;1u(k)(k);2u(k)(k)(k);u(k)>=10u(k)=10;u(k)<10u(k)10;400u(k)(k)+6.0;(k)(k)(k);w22_1+(*(k))**(w2_12_2);1:1:4(j)((j))/(1((j)))^2;1=0*w1;1:1:21:1:41()(k)**(j)*w2(j)*x(i); w11_11*(w1_11_2);w1_21_11_11;w2_22_12_12;21;1(k);21;1(k);x(1)(k); Px(2)=(e(k)1)/0.05; D1(k);(1);(,'r','b');('(s)')('r y');(2);(411);(,'b');('(s)')('');(412);(,'k');('(s)')('');(413);(,'r');('(s)')('u');(414);(,'b');('(s)')('');3、( );;30; % ȺÌå×ܸöÌåÊýÁ¿80; % ÔÊÐí×î´óµü´ú´ÎÊý10; % ÿ¸ö±äÁ¿ÓµÓеÄȾɫÌåÊýÁ¿1:1:8(i)(1); % Á¬½ÓȨֵµÄ×î´óÖµ(i)(1); % ȨֵµÄ×îСֵ9:1:12(i)=0.5*(1); % ãÐÖµµÄ×î´óÖµ(i)0.5*(1); % ãÐÖµµÄ×îСֵ% ¶ÔËùÇó²ÎÊý½øÐгõʼ¶þ½øÖƱàÂë((,12*)); % ³õʼ»¯¸öÌå´úÂ루ȾɫÌ壩% ÒÅ´«Éñ¾-ÍøÂçѵÁ·¿ªÊ¼0;1:1();1:1(s,:);1:1:12(j)=0;((1)*1:1*);1:1(j)(j)(i)*2^(1);f()=((j)(j))*(j)/1023(j);;(s,:);[]();(s);[]();()(1);();1005;1;[]();(); % ()((),:); % (m), m ()p%****** 2 : ******();()*;();1;1:11:1(i)(,:)((i),:);1;%************ 3 : ************ 0.70;(20*);1:2:(1);>:1:20()(1);(1)();(,:);;%************ 4: **************0.001-[1:1]*(0.001); ,1:11:1:12*;>()0()=1;()=0;(,:)(,:);;%*******************************************************(G)(1);();('')(' J');p;。